Изучение особенностей применения метода группового учета аргументов

Цели работы

Изучение особенностей применения метода группового учета аргументов

1.  Задание

  1. Закрепить на практике теоретические знания об алгоритме и особенностях применения метода группового учета аргументов.

  2. Изучить функционал модуля, позволяющего генерировать совокупности моделей на основании подготовленных данных, представленных в виде файлов данных формата .xls.

  3. В соответствии с вариантом сгенерировать множества моделей, проана-лизировать их характеристики, выбрать наилучшие.

2.  Исходные данные

Исходные данные  находятся на первом листе файла Отчета по ЛР2-3 СИИ.xls (Шаг 1)

3.  Ход выполнения работы

1.  Получение необходимых сегментов данных и объединение их в один массив данных (Шаг 2, Шаг 3)

2. Реорганизация полученного массива данных и построение графиков зависимости выходных параметров от входных. Графики построены на страницах (граф_1 _Погода, граф_2 _вода)

Выводы на основе полученных графиков по погоде:

1.  Между параметрами WDSP и TEMP_C нету функциональной зависимости. Раположение точек на данном графике очень велико друг от друга следовательно для прогнозирования значения выходного параметра на основе данных о WDSP лучше подходят нейронные сети.

2.  На графике зависимости TEMP_C от VISIB мы видим кластеры данных, т.е. прогноз TEMP_C на основе VISIB не будет точным.

3.  На графике, показывающем влияние STP на TEMP_C нет никакой зависимости, следовательно прогноз на основе данных об этом параметре лучше проводить с использованием нейронных сетей.

4.  На графиках зависимости DEWP и TEMP_C(вх) прослеживается линейная зависимость между этими параметрами и TEMP_C. Это значит, что прогнозирование значения выходного параметра на основе данных о DEWP и TEMP_C(вх) лучше подходит МГУА.

Выводы на основе полученных графиков по воде:

1.  На графике, показывающум влияние параметра TEMP_C на Troubl_r прослеживаются линейные зависимости следовательно прогноз на основе данных об этих параметрах лучше проводить с использованием МГУА.

2.  График зависимости между параметрами DEWP, pH_r и Troubl_r на выходное значение показывает кластеризацию данных, т.е. прогноз на основе этих данных будет иметь довольно высокую точность.

3.  График зависимости параметра Alcal_r на Troubl_r возможно прослеживание линейной зависимости, но и с другой стороны можно сказать о кластеризации данных в разных областях.

3. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей в каждом эксперименте.

4.4. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей.

        4.4.1. Модели, полученные на основании данных о погоде.

№ экспери- мента	№ модели	Max степень	Суммар- ная степень	Кол-во перемен- ных	Delta	Степень свободы	Размер об. мн-ва
1	1	3	44	8	8,75182826711132	25	70
1	8	3	42	8	8,78280808696589	25	70
1	25	3	39	8	8,81451478976511	25	70
2	5	5	40	8	9,76777662812096	20	65
2	3	4	40	8	9,76664404192067	20	65
2	1	5	41	8	9,75446738644259	20	65
3	2	4	34	8	10,4587978661901	15	65
3	2	4	33	8	10,4416055388029	15	65
3	8	4	32	8	10,4981675631977	15	65
4	3	4	21	8	11,8992352408531	25	60
4	2	4	23	8	11,8966451637023	25	60
4	1	4	22	8	11,8924500694224	25	60
5	3	2	13	7	12,0219872958215	15	60
5	2	3	15	7	12,0051738388657	15	60
5	1	3	16	7	11,9902256388038	15	60